MiniMax M2.7 (229B MoE para código)

Implementa MiniMax M2.7 (229B MoE) en Clore.ai — la versión autohospedada de peso abierto detrás del impulso del agente de codificación de MiniMax, con despliegue de un solo nodo FP8 en H100/H200

Estado (abril de 2026): MiniMax M2.7 se publicó en HuggingFace el 9 de abril de 2026 por MiniMaxAI y alcanzó 496 mil descargas en tres semanas — por adopción, el mayor lanzamiento de pesos abiertos de nuestra actualización de abril. Los pesos están en huggingface.co/MiniMaxAI/MiniMax-M2.7 bajo una licencia personalizada de MiniMax (licencia: otra). Es no Apache/MIT — lee la LICENCIA antes de cualquier despliegue comercial.

Corrección: Las revisiones anteriores de nuestro índice de modelos listaban M2.7 como un modelo propietario solo por API. Eso era incorrecto al 9 de abril de 2026: los pesos son públicos. Esta guía reemplaza ese listado.

MiniMax M2.7 es un modelo Mixture-of-Experts de 229 mil millones de parámetros (256 expertos, 8 activos por token) y la última entrada de la familia M2 de MiniMax, una línea construida alrededor de autoevolución / posentrenamiento impulsado por RL y codificación agéntica cargas de trabajo. La versión 2.7 es el equivalente público y autohospedable del agente de codificación alojado de MiniMax y MiniMax la posiciona como competitiva con Claude Sonnet 4.5 en benchmarks agénticos, acercándose al territorio de Claude Opus 4.6 en algunos de ellos.

El detalle arquitectónico interesante es Pensamiento Intercalado (introducido en M2.1 y refinado a través de 2.5/2.7): el modelo alterna <think> bloques de razonamiento con generación normal a lo largo de llamadas a herramientas de múltiples turnos, de modo que la cadena de pensamiento sobrevive a través de los ida y vuelta de llamadas a funciones en lugar de descartarse en cada turno. Eso es lo que lo hace interesante para agentes de largo horizonte: el rastro de razonamiento no se reinicia cada vez que llegas a un tool_use límite.

Para los usuarios de Clore.ai, la noticia práctica es que M2.7 se entrega con un checkpoint FP8 (float8_e4m3fn) en el repositorio oficial. Eso pone un despliegue en un solo nodo al alcance en 4× H100 80GB o 2× H200 141GB — no se requieren octetos H200 ni racks de 16 GPU. Si has estado ejecutando GLM-5.1 y quieres un segundo modelo de pesos abiertos en tu pila de agentes con un perfil de sesgo diferente, este es el que debes emparejar.

Especificaciones clave

Propiedad	Valor
Parámetros totales	229B (MoE, 256 expertos)
Expertos por token	8 de 256
Parámetros activos	No publicado oficialmente — consulta la tarjeta del modelo. La familia M2 históricamente ~10B activos; verifica antes de citar públicamente.
Tamaño oculto / Capas	3,072 / 62
Atención	48 cabezas, 8 KV (GQA)
Ventana de contexto	204.800 tokens (200K)
Tipos de tensor	F32, BF16, F8_E4M3
MTP	Predicción de múltiples tokens habilitada (3 módulos MTP)
Licencia	MiniMax personalizada — no comercial por defecto
Fecha de lanzamiento	9 de abril de 2026
Descargas en HF (3 semanas)	~496 mil
Muestreo recomendado	temperatura=1.0, top_p=0.95, top_k=40
Herramientas principales	vLLM, SGLang, Transformers, KTransformers, MLX-LM

¿Por qué MiniMax M2.7?

• Pesos abiertos de 229B — el mayor modelo de codificación de pesos abiertos "real" que aún cabe en un solo nodo 4×H100 en FP8

• Pensamiento Intercalado — <think> los bloques sobreviven a través de los turnos de llamadas a herramientas, lo cual es genuinamente útil para agentes estilo SWE

• Enfoque en codificación multilingüe — MiniMax promociona un fuerte rendimiento en Rust, Go, Java, Kotlin, Swift y TypeScript, no solo en Python

• Señal de adopción — 496 mil descargas en tres semanas es la adopción comunitaria más fuerte de cualquier lanzamiento de pesos abiertos de abril de 2026 que hayamos rastreado

• Soporte MTP — la decodificación especulativa mediante módulos de Predicción de Múltiples Tokens viene integrada, lo que se traduce en rendimiento real en H100/H200

• Alternativa alojada — si tu carga de trabajo supera un solo nodo, el endpoint alojado de MiniMax existe; no tienes que decidirlo en la arquitectura

---

Requisitos

229B sigue siendo 229B. Los pesos BF16 son ~460GB. El checkpoint FP8 es aproximadamente la mitad: ~230GB, que es lo que hace viable el despliegue en un solo nodo. Los quants comunitarios INT4 lo reducen a menos de ~120GB, pero no están oficialmente soportados.

Componente	Hobby (INT4 GGUF, offload)	Recomendado (FP8 de un solo nodo)	BF16 completo
VRAM de GPU	GPU de 24–48GB + offload de RAM de 128GB+	4× H100 80GB o 2× H200 141GB	8× H100 80GB / 4× H200 141GB
VRAM total	~48GB GPU + offload	320GB / 282GB	640GB / 564GB
RAM	128GB	256GB	512GB
Disco	200GB NVMe	400GB NVMe	600GB NVMe
CUDA	12.0+	12.4+	12.4+

Elección de Clore.ai: El checkpoint FP8 en 2× H200 es el objetivo de despliegue más limpio: divisiones tensor-parallel mínimas, menos saltos NCCL y las matemáticas para contexto de 200K simplemente funcionan. 4× H100 es la alternativa más barata si el stock de H200 es limitado.

---

Opción A — Ollama / GGUF (Cuantizado)

Solo quants de la comunidad. MiniMax no publica pesos GGUF oficiales para M2.7. Las compilaciones comunitarias Q4/Q5 suelen aparecer 1–2 semanas después del lanzamiento — busca huggingface.co/models?search=minimax-m2.7+gguf y verifica el uploader. La calidad varía en quants MoE por debajo de Q4.

# Una vez que llegue una compilación comunitaria Q4_K_M (comprueba HuggingFace primero)
docker exec ollama ollama pull minimax-m2.7:q4_K_M
docker exec ollama ollama run minimax-m2.7:q4_K_M

# O con llama.cpp directamente sobre un GGUF descargado
docker run --gpus all -it --rm -p 8080:8080 \
  -v $(pwd)/models:/models \
  ghcr.io/ggerganov/llama.cpp:server-cuda \
  -m /models/minimax-m2.7-q4_k_m.gguf \
  --n-gpu-layers 80 --ctx-size 32768 \
  --temp 1.0 --top-p 0.95 --top-k 40 \
  --port 8080 --host 0.0.0.0

Solo para uso hobby. Para cargas de trabajo reales usa vLLM o SGLang contra el checkpoint FP8.

---

Opción B — vLLM (API de producción, recomendado)

vLLM es el objetivo de servicio de primera clase. El checkpoint FP8 oficial es el que debes obtener: misma calidad que BF16 con aproximadamente la mitad de la VRAM.

docker-compose.yml — 4× H100 80GB

version: "3.8"
servicios:
  vllm:
    image: vllm/vllm-openai:latest
    ports:
      - "8000:8000"
    volumes:
      - hf_cache:/root/.cache/huggingface
    command: >
      --model MiniMaxAI/MiniMax-M2.7
      --quantization fp8
      --tensor-parallel-size 4
      --max-model-len 65536
      --gpu-memory-utilization 0.88
      --enable-auto-tool-choice
      --tool-call-parser hermes
      --served-model-name minimax-m2.7
      --trust-remote-code
    deploy:
      resources:
        reservations:
          devices:
            - driver: nvidia
              count: all
              capabilities: [gpu]
    shm_size: "16gb"

volumes:
  hf_cache:

docker-compose.yml — 2× H200 141GB

Reduce --tensor-parallel-size a 2 y aumenta --max-model-len para usar el margen:

    command: >
      --model MiniMaxAI/MiniMax-M2.7
      --quantization fp8
      --tensor-parallel-size 2
      --max-model-len 131072
      --gpu-memory-utilization 0.90
      --enable-auto-tool-choice
      --tool-call-parser hermes
      --enable-chunked-prefill
      --served-model-name minimax-m2.7
      --trust-remote-code

Prueba rápida

curl http://localhost:8000/v1/chat/completions \
  -H "Content-Type: application/json" \
  -d '{
    "model": "minimax-m2.7",
    "messages": [
      {"role": "system", "content": "Eres un ingeniero sénior. Usa Pensamiento Intercalado al razonar a través de llamadas a herramientas."},
      {"role": "user", "content": "Audita este manejador async de Rust para la seguridad de cancelación en tokio: ..."}
    ],
    "max_tokens": 4096,
    "temperature": 1.0,
    "top_p": 0.95
  }'

No bajes temperature por debajo de 1.0. El muestreo recomendado por MiniMax es T=1.0, top_p=0.95, top_k=40. La decodificación codiciosa rompe silenciosamente el <think> intercalado en llamadas a herramientas de múltiples turnos.

---

Opción C — SGLang

El programador MoE de SGLang es competitivo con vLLM en Hopper y a menudo gana en completaciones de codificación de contexto largo gracias a la decodificación especulativa EAGLE apilada con los módulos MTP de M2.7.

docker pull lmsysorg/sglang:latest

python3 -m sglang.launch_server \
  --model-path MiniMaxAI/MiniMax-M2.7 \
  --quantization fp8 \
  --tp-size 4 \
  --mem-fraction-static 0.88 \
  --context-length 65536 \
  --enable-mixed-chunk \
  --speculative-algorithm EAGLE \
  --speculative-num-steps 3 \
  --speculative-eagle-topk 1 \
  --speculative-num-draft-tokens 4 \
  --served-model-name minimax-m2.7 \
  --trust-remote-code

Espera una mejora de rendimiento de ~1.5–2× sobre vLLM estándar en trazas largas de agentes. Reduce --tp-size a 2 en H200.

---

Recomendaciones de GPU de Clore.ai

Configuración	VRAM	Rendimiento esperado	Costo en Clore.ai
1× RTX 4090 24GB + offload de RAM	24GB + 128GB	Hobby INT4, ~5–10 tok/s	~$1–2/día
4× A100 80GB	320GB	BF16 fragmentado, ~15–25 tok/s	~$15–22/día
4× H100 80GB (FP8)	320GB	Producción FP8, ~40–60 tok/s	~$20–28/día
2× H200 141GB (FP8)	282GB	Producción FP8, ~50–70 tok/s, contexto completo de 200K	~$18–26/día
8× H100 80GB	640GB	BF16 completo, ~80+ tok/s	~$40–55/día

Mejor valor: 2× H200 con el checkpoint FP8. Misma clase de rendimiento que 4× H100 con la mitad de los saltos tensor-parallel; a menudo más barato por día en el mercado, y mantienes suficiente margen de VRAM para el contexto completo de 200K.

Renta las máquinas aquí:

• Rentar GPUs H200 — recomendado para el despliegue FP8 de 2× H200

• Rentar GPUs H100 — para el despliegue FP8 de 4× H100

• Rentar A100 80GB — alternativa BF16 multigPU

• Rentar RTX 4090 — solo uso hobby INT4

• Mercado — inventario completo, en demanda y subasta spot

---

Casos de uso

• Agentes SWE multilingües — Rust, Go, Java, Kotlin, Swift y TypeScript reciben tratamiento de primera clase, no solo Python/JS

• Bucles de llamadas a herramientas de largo horizonte — Pensamiento Intercalado mantiene vivo el rastro de razonamiento a través de cientos de tool_use ida y vuelta

• Auditorías de bases de código — el contexto de 200K cabe un servicio de tamaño medio junto con sus pruebas en un solo prompt

• Pipelines de refactorización — corrección sostenida a través de muchas ediciones de archivos gracias a los módulos MTP

• Orquestación agente-de-agentes — usa M2.7 como planificador junto con un modelo más pequeño (Qwen3.5, GLM-4.7-Flash) como trabajador

• Alternativa autohospedada a Claude Sonnet/Opus para investigación de codificación no comercial — pero lee primero la licencia

---

Benchmarks

Reclamados por el proveedor — verifica de forma independiente. Las cifras a continuación provienen de las notas de lanzamiento de MiniMax del 9 de abril de 2026. Aún están llegando reproducciones independientes.

Benchmark	MiniMax M2.7	Claude Sonnet 4.5 (ref. del proveedor)	Claude Opus 4.6 (ref. del proveedor)	GPT-5.3-Codex
SWE-Pro	56.22%	~55%	~57.3%	56.2%
VIBE-Pro	55.6%	—	~57%	—
Terminal Bench 2	57.0%	—	—	—
GDPval-AA (ELO)	1495	—	—	—

La formulación de MiniMax: M2.7 iguala o supera a Claude Sonnet 4.5 en la suite de codificación agéntica que les importa, y queda a pocos puntos de Claude Opus 4.6 en SWE-Pro / VIBE-Pro. Tómalo como una señal direccional, no como una clasificación cerrada: la brecha con los modelos cerrados de frontera se reduce en cada lanzamiento.

---

Familia MiniMax M2

Versión	Lanzamiento	Enfoque arquitectónico	Recomendado para
M2	oct 2025	Lanzamiento inicial de MoE 229B, codificación ajustada por RL	Referencia / histórico
M2.1	dic 2025	Pensamiento Intercalado introdujo	Primera versión que vale la pena ejecutar para agentes
M2.5	feb 2026	Posentrenamiento RL autoevolutivo, contexto más largo	Modelo de codificación sólido si el disco es limitado
M2.7	9 abr 2026	Codificación multilingüe refinada, MTP, FP8 oficial	Opción predeterminada — usa esta

Si empiezas desde cero, omite las versiones anteriores y ve directamente a M2.7. Las diferencias arquitectónicas se acumulan y la ergonomía de FP8 es notablemente mejor.

---

Solución de problemas

Problema	Solución
OutOfMemoryError en la carga FP8	Se necesitan ~230GB de VRAM. Usa 4× H100 80GB o 2× H200 141GB. Baja --max-model-len a 32768 primero.
Descarga lenta de HuggingFace	huggingface-cli download MiniMaxAI/MiniMax-M2.7 --local-dir ./weights --resume-download. Espera ~230GB FP8 / ~460GB BF16.
Las llamadas a herramientas se omiten silenciosamente	Configura --enable-auto-tool-choice --tool-call-parser hermes en vLLM. M2.7 usa etiquetas de herramientas estilo Hermes.
<think> bloques vacíos o corruptos	El muestreo debe ser temperature=1.0, top_p=0.95, top_k=40. La decodificación codiciosa rompe Pensamiento Intercalado.
Errores MTP / desajuste de formas	Actualiza vLLM a la versión estable más reciente; el soporte MTP llegó tarde y las compilaciones antiguas no incluyen los módulos.
OOM de contexto de 200K en H100	Usa --enable-chunked-prefill y empieza en --max-model-len 65536. El contexto completo de 200K requiere de forma realista H200.
Confusión de licencia	Predeterminado = no comercial. Envía un correo a [e-mail] con asunto "M2.7 licensing" antes de cualquier uso en un producto de pago.

---

Siguientes pasos

• Pariente de audio: MiniMax Speech — mismo proveedor, generación de audio/voz

• Alternativa con licencia abierta: GLM-5.1 — 744B / 40B activos, licencia MIT, top SWE-Bench Pro

• Alternativa de contexto masivo: DeepSeek V4 — 1M de contexto, multimodal

• Opción agéntica más barata: GLM-4.7 Flash — cabe en un solo H100, MIT

• Mercado de Clore.ai: clore.ai/marketplace — H100/H200/A100 del mercado spot

Enlaces

• MiniMax M2.7 en HuggingFace

• LICENCIA de MiniMax M2.7 — leer antes de uso comercial

• Plataforma MiniMax

• documentación de vLLM

• repositorio de SGLang

• KTransformers